跳到正文
MTS(youtube.com)· Brandon Basso·· 14 天前品質評分58

免手眼自駕將於 2028 年實現 | Brandon Basso

免手眼自駕將於 2028 年實現 | Brandon Basso

重點導讀

Wave 的 Brandon Basso 主張,通往 2027 至 2028 年實現免手眼 L3 自駕的途徑,在於可學習的內在安全駕駛模型,而非基於規則的模組化架構,而資料規模是關鍵限制。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

Podcast 專家音訊節目

收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情

正文

Wave 自動駕駛新創的模擬與驗證負責人 Brandon Basso 認為,產業下一個真正的進展,是從放手(hands-off)的 L2+ 系統跨到視線可離開(eyes-off)的 L3 系統,他預期這會在 2027 至 2028 年發生。整段訪談大部分時間談的是這個問題較難的另一半:如何證明端到端 AI 駕駛是安全的,以及如何蒐集足夠多元的駕駛資料,訓練出能在全球各地運作的駕駛系統。L3 時程本身只在接近尾聲時短暫提及。

Basso 負責的是驗證端,因此他具體說明瞭 Wave 的四部分安全框架、其學得的「未來佔用」(future occupancy)安全表徵,以及橫跨第一方蒐集、OEM 合作夥伴、外購行車記錄器影像與模擬的多來源資料策略。讀者讀完應該能清楚理解:為何端到端自駕車安全驗證,被視為前沿模型安全工作在實體世界的對應版本;以及 Wave 相對 Waymo、Zoox 與 Tesla 站在什麼位置。

Wave 押注的是內建式安全,而非外掛式檢查器

Basso 表示,Wave 在打造駕駛 stack 時,讓安全成為「一種內建屬性,而不是外掛上去的屬性」。目前許多系統是模組化或混合式架構,不同任務各有獨立子系統。他說,這類系統的一大特徵就是大量檢查。他最常舉的例子是高精度地圖:地圖顯示某個位置有停止標誌,檢查器確認標誌確實在那裡,車子才停下來。但一旦標誌不見了、被移走了、是臨時的,或掛在一輛行駛中的公車上,這套做法就失效了。

Basso 的主張是:「檢查器系統往往會成為最終的瓶頸,也是系統效能的極限。」他坦承這類系統可以做得非常出色——他說今天在灣區靠它們跑上數百英里都沒問題——但這些系統是用極高成本打造出來的,且需要龐大的營運負擔來維護。Wave 想要的是更可長可久的做法:直接學會安全行為。

其機制是一套學得的安全表徵,Basso 稱之為未來佔用圖(future occupancy map)。紅色區域代表不該行駛的地方,並以漸層過渡。在示範中,一輛公車從右後方快速逼近,會讓當下變換到該車道在未來的安全性略微降低。Wave 把這當成一個明確的學習任務,用來引導最終的駕駛軌跡,而不是外掛式的檢查。在這之下,則是任何現代車輛為了法規遵循都需要的傳統主動安全系統——自動緊急煞車、車道維持輔助、緊急車道維持輔助——Basso 把這些一概稱為「一堆縮寫的大雜燴」。

證明安全沒有單一指標——Wave 用四個面向

Basso 把安全拆成四個核心概念,並強調沒有單一答案或單一指標,就像 AI 也沒有單一的排行榜。

面向涵蓋範圍困難之處
安全車外的道路使用者與車內的乘員核心問題;現況駕駛本身就已有風險且成本高昂
舒適急煞、急轉等令人不適的行為往往是安全問題的前兆
法規遵循交通規則,各國差異很大日本、德國、英國與美國的標誌與行為差異鮮明
勝任度做出人們預期的行為,例如依要求變換車道期待會因文化與地區而異

法規遵循這點立基於 Wave 的全球營運。Basso 提到公司去年的道路展示,其中包括在北極圈內駕駛(他對該地點是否技術上屬於北極圈有所保留,說自己「不是地理專家」),並在極冷條件下蒐集資料。他指出,就連紅燈停車也因國家而異:車輛停在停止線後多遠,取決於地理、當地規則、風格與文化。Wave 的結論是,「要為這件事該怎麼運作寫出規則,根本不可能」。

Basso 明確地把這件事類比到 AI 安全實驗室:證明自駕模型輸出正確、不欺瞞、符合人類對齊的行為,和 Anthropic、OpenAI 針對前沿模型所做的是同一個問題,「只是它在實體世界的版本」。他說,對於如何證明這些端到端「AV 2.0」系統的安全性,目前還沒有太多嚴謹的思考。

駕駛資料沒有通用語料庫,所以 Wave 自己買、找夥伴、做模擬

Basso 把駕駛問題與驗證問題都定調為資料問題,並說 Wave 很早就意識到這點、及早取得多元資料——第一方蒐集可追溯到大約十年前,再加上外購資料。他的關鍵結構性論點是:「今天機器人領域、實體 AI 領域,都沒有通用的資料集。」語言模型受惠於人類打造的書籍、影片與文字語料庫;駕駛沒有對應的東西,只能自己拼湊。

Wave 的做法刻意在硬體與營運上保持輕量。Basso 說 Wave「絕對不是硬體與營運的生意」,並肯定 robotaxi 營運商打造了龐大的營運版圖,但說那不是 Wave 的計畫。Wave 的內部營運存在,是為了地理與車輛的多樣性,以及取得專家駕駛的高保真人類參考資料。

flowchart TD
    A["Wave 資料策略"] --> B["第一方蒐集,約 10 年"]
    A --> C["OEM 合作夥伴資料"]
    A --> D["外購與授權資料,例如行車記錄器"]
    A --> E["模擬,比重隨時間增加"]
    B --> F["地理與車輛多樣性"]
    B --> G["專家級人類參考駕駛"]
    C --> H["比 Wave 自身更豐富的車隊資料"]
    D --> I["罕見的高速公路事件,例如多年前的影像"]
    E --> J["規模化情境生成"]
    F --> K["端到端 AI 駕駛"]
    G --> K
    H --> K
    I --> K
    J --> K

施工場景的例子說明瞭為何多樣性重要。Basso 展示了英國與日本的場景:一個需要讀懂標誌並推論其後果(他稱之為系統二、長期策略,相對於系統一的反應),另一個則有不同文字的標誌,還有一個人可能根本不是在指揮交通。他的論點是,在這些情境中學會駕駛,會造就一個整體更好、能在全球各地運作的駕駛系統。

標題裡的 L3 時程,只是簡短的收尾論述

視線可離開的預測只佔了最後幾分鐘。Basso 說「2027 到 2028 年會出現重大轉變」,產業將從 L2+ 放手的駕駛輔助——他說客戶普遍很喜歡,也說 Waymo 正努力證明它能比專家駕駛更安全——邁向 L3 視線可離開系統,讓駕駛可以放空,由系統肩負安全責任。他把 L3 定調為需要嚴格得多的安全保證,接近目前外界認為 robotaxi 應達到的安全水準。

「你能想像坐進車裡說,載我去南灣,然後睡一覺嗎?」

他推銷的報酬是時間:他引用一個說法,指人們的快樂程度幾乎與通勤時間直接相關,並想像把從 Sunnyvale 到舊金山兩小時的龜速車陣,轉換成工作或睡眠時間。至於 Wave 的下一步,Basso 說目標是「讓系統真正上路」——讓自駕「無處不在、人人可用」——並透過文章與演講,把 Wave 定位為駕駛安全與驗證方法論的思想領袖,開啟與大眾及客戶的公開對話,說明它將如何證明這些系統能改善生活。

Wave 的版圖從 L2+ 一路到倫敦的 L4 試營運

Basso 對 Wave 使命的定調是「無處不在、人人可用的自駕」——所有車輛,不只是 Tesla。他描述的產品階梯,從市區與高速公路的 L2/L2+ 放手駕駛,一路到 L4 robotaxi,Wave 在倫敦已有受監督的公開試營運。他把這個產業累積二十年的老問題(可追溯至 Berkeley、Stanford 等機構的基礎研究)拆成兩類:打造出比人類更好的 AI 駕駛,以及驗證它確實做到它宣稱的事。他做的是第二類。

「當然,只說我們做出了很棒的模型、拿去用吧,這樣是不夠的。我們必須證明它行得通。」

他用現況來闡述整件事的動機:駕駛有風險,對小事故而言時間與保險成本高昂,且對年輕、經驗較少的駕駛,以及世界各地不同族群的傷害特別不成比例。他說改善這件事是工程師、科學家、產品經理與研究人員的責任,而這幾乎不需要什麼動機。

貫穿全場的兩條線:驗證是瓶頸,而 Wave 在為自己的做法發聲

有兩條線把整集串起來。第一,Basso 一再把限制定位在驗證,而不是駕駛能力——檢查器瓶頸、機器人領域缺乏通用資料語料庫、缺乏嚴謹方法證明端到端系統安全。第二,Wave 的公開姿態與其說是產品,不如說是倡議:Basso 明說,像這篇訪談這樣的文章與演講,目標是推動產業前進,並與大眾及客戶開啟對話,談安全將如何被證明。這點值得持續關注,因為 2027 至 2028 的 L3 時程,是一位任職於僅有倫敦受監督試營運公司之驗證主管的預測,而不是已出貨的產品里程碑。尚未化解的張力,正是 Basso 自己點出的那個:端到端學得的安全或許能避開檢查器瓶頸,但它繼承了前沿 AI 的難題——證明模型的輸出是正確的——而據他所說,目前還沒有人為大規模駕駛建立起這套做法。

來源: MTS (youtube.com)
開啟原文

讀者討論

理性交流 · 即時討論